`pgmuvi`：面向多波段天文时间序列的快速简易高斯过程回归
天体物理仪器与方法
2023-08-02 v1
摘要
时域观测在天文学中日益重要，且常是研究某些天体的唯一途径。随着新巡天项目上线，时间序列数据量急剧增长——例如，Vera Rubin天文台每夜将产生15太字节数据，其时空遗产巡天（LSST）预计为 个源生成五年光变曲线，每个源包含5个测光波段。历史上，天文学家使用基于傅里叶的技术（如Lomb-Scargle周期图）或信息论方法；然而近年来，贝叶斯与数据驱动方法如高斯过程回归（GPR）逐渐受到青睐。但GPR的计算复杂性与陡峭学习曲线限制了其应用。`pgmuvi` 通过构建于前沿开源机器学习库之上，使天文学家能够便捷使用多波段时间序列的GPR，从而保留GPR的速度与灵活性且易于使用。它提供对GPU加速与超参数（如周期）贝叶斯推断的简便支持，并能够扩展到大型数据集。
引用
@article{arxiv.2308.00132,
title = {`pgmuvi`: Quick and easy Gaussian Process Regression for multi-wavelength astronomical timeseries},
author = {P. Scicluna and S. Waterval and D. A. Vasquez-Torres and S. Srinivasan and S. Jamal},
journal= {arXiv preprint arXiv:2308.00132},
year = {2023}
}
备注
5 pages, submitted to the Journal of Open Source Software. Feedback welcome. Package documentations at https://pgmuvi.readthedocs.io, code at https://github.com/ICSM/pgmuvi